[系统转发] 关于「交互作用」Interaction Effect

chinahrd

首先声明一点，虽然「调节作用」和「交互作用」在概念上不是完全一样，但是因为在验证的时候用的方法是一样的，而且二者在某个角度上是互通的。所以很多研究人员一般都不会作很清楚的界定。因此，在以下的讨论里，我把“交互作用”，“互动效应”和“调节作用”等词语都视为同义词来处理。 有研究者提出以下的论证： （1）    工作与家庭的冲突（work-family conflict）会影响员工的生活满意度（life satisfaction）。冲突越大，员工越对自己的生活就越不满意。 （2）    但是男女有别，一般男人都是看重事业的。如果要事业成功，工作家庭冲突是少不了的。所以，对男性来说，「工作家庭冲突」对「生活满意度」的影响比较小。就女性来说，「工作家庭冲突」对「生活满意度」的影响是很大的。 （3）    但是有人却辩证说，其实男人也是人，家庭总是人的一个很重要的生活部分。所以，上述第二点的影响只是在职业生涯（career life）的前期是对的。到了职业生涯的后期，其实就算是男性「工作家庭冲突」对「生活满意度」的影响也是很大的。 研究分析： （1）    上面第一个关系在研究上叫做「主效应」（main effect），是一般性的平均结果。就是说，在所有其他的因素都在平均值的时候，「工作家庭冲突」（X）对「生活满意度」（Y）的影响是正相关的。这是假设一（H1）。 （2）    第二个关系叫做「交互作用」或「互动效应」（interaction effect）【其实严格来说，这应该是“调节作用”才对】。就是说“性别与工作家庭冲突互动地影响生活满意度”。对于女性（M=0）来说，「工作家庭冲突」（X）与「生活满意度」（Y）呈正相关。但是对于男性（M=1）来说，「工作家庭冲突」（X）与「生活满意度」（Y）没有关系。这是假设二（H2）。【注意，在写调节作用的假设时，一定要在假设中讲清楚当调节变量（M）是什么的时候，X与Y的关系是怎么样的，不可以只概括地说“M调节X与Y的关系”】。 （1）    虽然第二个关系是一个交互关系，但是也有人辩证说它只是一个“平均的”交互关系。也就是说，这个交互关系只是在一个人的“平均职业生涯值”的时候才生效。不然的话， （甲）在男性、职业生涯前期（即年轻）时，X与Y没有关系。 （乙）在男性、职业生涯後期（即年老）时，X与Y呈正相关。 （丙）在女性、无论职业生涯前後期时，X与Y都呈正相关。 以上这个假设叫做「三向互动」Three-way Interaction。是“职业生涯”（M1）与“性别”（M2）与“工作家庭冲突”（X）三个变量交互地影响“生活满意度”（Y）。同样地，写「三向互动」的假设时，一定要把整个「三向互动」关系讲清楚。就是当M1与M2是怎样时，X与Y的关系应该是怎样的。不可以含糊地写“M1，M2与X「三向互动」地影响Y”。 结果表现：         验证「交互作用」时，用的方法是乘积项。就是：        y = a0 + a1 x + a2 m + a3 xm 当a3显著时，「三向互动」的假设就成立了。 一般表现「交互作用」结果是用图表法。现在用假设二来说明。 我们首先把样本分成两组，男的一组，女的一组。然后在每一组内计算X与Y的截距和斜率。画图如下： 上图表明对于男性来说（下面的直线），X与Y没有关系，因为该直线的斜率是0。对于女性来说（上面的直线），X与Y呈正相关，因为该直线的斜率大于0。【注意：如果调节变量（M）是一个连续变量，我们就先把所有的数据依M的大小排序，然后用M的“中位数”分成两组，一组大于M的中位数，一组大于M的中位数。在用每一组的数据计算组内的截距和斜率。】        验证「三向互动」时用的方法跟「交互作用」相似。就是：     y = a0 + a1 x + a2 m1 + a3 m2 + a4 m1x + a5 m2x + a6 m1m2 + a7 m1m2x 当a7显著时，「三向互动」的假设就成立了。 如果表现「交互作用」结果是用一个图表的话，变现「三向互动」起码要两个图表了。现在的数据应该分成4组，分别是： （a）    职业生涯前期、女性 （b）    职业生涯前期、男性 （c）    职业生涯后期、女性 （d）    职业生涯后期、男性 每一组都要计算X与Y的截距和斜率。画图如下： 左图的现象跟上面的「交互作用」相似。右图中女性的XY斜率是正的，男性的XY斜率也是正的。男性的XY斜率从左图的等于0，变成右图的大于0。而女性的XY斜率左右图都大于0（注意，我们的假设没有要求两个斜率要相等），表现了「三向互动」的结果。 几点注意： （1）    我要讲清楚统计验证与画图表达的关系。实证的验证「三向互动」是用a7在回归分析中的显著性。图表只是用来帮助我们看见交互现象是怎么样的而已，不是用来验证的。这样做的话，整个分析的样本量就是你原来的样本量。千万不要把样本分成四组，然后在每一组计算斜率，而试图用统计方法验证这四个斜率是否显著，来作为「三向互动」的验证。因为这样做的话，每一个验证的样本数只是原来样本的四份之一，统计考验力（statistical power）就远远减少了。             我在上面讲的斜率大于0、等如0，不是统计验证的结果，而是我们验证a7的推导。真正的分组数据计算出来的结果，可能左图男性的斜率是0.13都无所谓，反正我们不会吧截距和斜率的数值写出来。我讲斜率是等如0，是一个讲解该图的方法。第一，不是说真实的斜率一定是0，也不是代表统计验证该斜率是不显著，因为（a）我们不会吧斜率写出来；（b）也不会为该斜率做统计分析。我再讲一次，画图的目的是“讲解”互动的关系，不是任何形式的验证。 （2）    在验证「交互作用」时，所有的第一次变量项目（first order terms）都要放进去。在验证「三向互动」时，所有的第一次变量项目（first order terms，X, M1, M2）和第二次变量项目（second order terms，XM1, XM2, M1M2）都要放进去。万万不可以只用 y = a0 + a8 m1m2x 中的a8来验证「三向互动」。 （3）    因为交互作用牵涉高层次的"乘积"变量项目（higher order product terms），比如验证               y = a0 + a1 x + a2 m + a3 xm 的 x*m 的 a3 时 x 与 m 都在回归方程里，所以比较容易产生回归的共线性（multicollinearity），以致 a3 不容易显著。「三向互动」中的 a7 就更难显著了。Aiken & West 提出了「中心化」（centering）的方法来解决这个问题，因为比较复杂，大概要我写书的时候才可以介绍了。  Kenny

qiaoyin617

匿名用户 发表于 2008-10-4 21:41
贴篇论文
Baron, R. M., & Kenny, D. A. (1986). The 
modera ...

非常感谢！

Kenneth

hefang526: Kenneth老师您好！
我现在进行硕士毕业论文的数据分析，用实验法研究了2个自变量与1个调节变量对因变量的作用，自变量和调节变量均是分类变量。
现在遇到的问题 ...

妳用实验法，交互作用不是设计在实验中吗？哪里有先后的次序？
既然没有假设，也没有预期，干嘛分析？除非你觉得结果很有趣，写在 discussion 中供日后别人参考。

hefang526

Kenneth老师您好！
我现在进行硕士毕业论文的数据分析，用实验法研究了2个自变量与1个调节变量对因变量的作用，自变量和调节变量均是分类变量。
现在遇到的问题是：主效应、二阶交互效应、三阶交互效应均显著。那我能够采用先分析主效应、再分析二阶交互效应，最后分析三阶效应吗？？还是要按相反顺序进行？？
另外，我的假设只有主效应和二阶交互效应，并没有提到三阶交互，那我的数据分析部分还要对三阶交互分析吗？？
希望能得到您的指点，非常感谢您！

Kenneth

xiaohuli860: 不知道为什么，这里的图全部看不见。

中人网改了新系统后就没有了。：-（

xiaohuli860

不知道为什么，这里的图全部看不见。

Kenneth

可能要等我先完成手上的几个project,  然后写完我的书（因为可能对更多人有用），才可以做这些事情了。 ：-）

@回复 Nanfeng Luo 33楼 (Kenneth)

difference score的使用争议很大。Jeffrey Edwards以及其他一些学者提倡用polynomial regression结合response surface methodology来代替difference score。最近好像又有新的方法出来。我同意对于difference score的批评，但我总觉得新的方法增加了分析和解释的难度，要掌握不太容易。希望Kenney以后有空讲讲这方面的内容。谢谢！

Kenneth

Nanfeng, difference score 在回归分析中已经搞得一塌糊涂了，我不敢在SEM中处理这个问题。你更要研究difference score跟其他变量的交互作用，暂时我不知道怎样处理，等我明年有空一点才认真处理吧。

@回复 Nanfeng Luo 31楼 （Kenneth）
我提前一个问题的原因，主要是在一些涉及interaction effect的文献中，在measurement部分，有时并不是用multiplication term，而是采用 两个变量的差的绝对值(absolute difference）。比较常见的如，在不少研究people-environment fit的文献中，就通常用people和environment两个变量相减之后的绝对值来衡量people和environment对于诸如工作满意度等因变量的交互作用。这好像与通常意义上的调节作用不一样。